2015春季论文推荐-JRY

推荐论文如下:

  1. GraphTrail: Analyzing Large Multivariate, Heterogeneous Networks while Supporting Exploration History
  2. g-Miner: Interactive Visual Group Mining on Multivariate Graphs
  3. Visual Exploration of Multivariate Graphs
  4. Multivariate Network Exploration with JauntyNets
  5. GLO-STIX: Graph-Level Operations for Specifying Techniques and Interactive eXploration

内容简介及推荐理由如下:

  1. GraphTrail: Analyzing Large Multivariate, Heterogeneous Networks while Supporting Exploration History
    1-5

内容简介:

在探索大规模网络数据时面临数据量过大、节点属性多样化等多种挑战。分析大规模网络的过程十分复杂,因此用户在很难对自己的分析过程加以记录。GraphTrail针对上述问题,对节点和边进行聚集并且将历史记录直接在分析过程中进行展示。主要使用了drag-and-drop、pivoting mechanism等交互方式。

推荐理由:

GraphTrail这个系统对历史记录的展示很新颖,能够很直观的看出用户在进行探索过程中每一步所关注的重点。并且在usecase的书写上,通过使用一个假设的人物针对某一个特定的问题的分析进行对系统的介绍,十分清晰易懂。

期刊信息: Proceedings of the SIGCHI conference on human factors in computing systems. ACM, 2012: 1663-1672.

  1. g-Miner: Interactive Visual Group Mining on Multivariate Graphs

2-4

内容简介:

随着网络数据量的快速增长,对更加强大的网络可视分析工具和方法的的需求也越来越迫切。在多元网络的分析中,揭示group之间的链接结构成为了一个十分重要的工作,比如说,如何弄清楚为什么一个人适合某个工作或者适合社会上的某个角色。本文提出g-Miner系统,是第一个交互式的group  mining系统,它允许用户动态的指定一系列标准组建groups,进而分析异构网络数据。

推荐理由:

  • 提出group mining的概念;
  • 在对系统的介绍中,从最初的需求到如何去满足这些需求,最后讲如何对系统进行优化,这种顺序很直观。

期刊信息:April 2015  CHI ’15: Proceedings of the 33rd Annual ACM Conference on Human Factors in Computing Systems

  1. Visual Exploration of Multivariate Graphs
    3-3

内容简介:

本文介绍了一个针对多元网络的新的软件工具。不同于强调全局拓扑结构的可视化布局,PivotGraph使用简单的基于网格的布局来对节点之间的属性和联系的关系进行分析。在交互过程中使用了类似spreadsheet pivot tables和OLAP(online analytical processing)的交互方式。

推荐理由:

在很多篇文章的参考文献中都看到了这篇文章,其中推荐的第五篇文章GLO-STIX: Graph-Level Operations for Specifying Techniques and Interactive eXploration正是以这篇文章的布局为例进行分析的。PivotGraph通过使用OLAP中的roll-up和selection操作对数据集进行降维的方式也很新颖。

期刊信息:Proceedings of the SIGCHI conference on Human Factors in computing systems. ACM, 2006: 811-819.

  1. Multivariate Network Exploration with JauntyNets

4-1

内容简介:

通常对于网络的展示是通过使用节点-链接图或者矩阵实现的。但是在现实世界的网络数据中,每个网络节点都会有很多额外的多维属性。在用户对网络数据进行分析的过程中,对这些属性的底层网络拓扑的呈现就成为了很重要的工作。本文对传统力导引布局进行了改进,提出了一种属性驱动的布局,使每个点的位置都和属性相关。同时使用聚类和MDS方法。

推荐理由:

将属性也看作节点(attribute nodes),但是只有在节点属性值超过某个阈值时将节点与属性节点通过node-to-attribute edges进行连接。这种属性驱动的布局还比较新颖。

期刊信息:Information Visualisation (IV), 2013 17th International Conference. IEEE, 2013: 19-27.

  1. GLO-STIX: Graph-Level Operations for Specifying Techniques and Interactive eXploration

5-1

内容简介:

GLO是一个带有探索性质的工具,有些类似于堆积木,它把可视化视图的设计分成了不同的元素,如:节点、边、对节点属性的控制、对边的属性的控制等。可以使用GLO来选择所需操作,从而快速的设计完成图和网络可视化的视图。并且,使用GLO还可能得到某些新的适合数据的视图。

推荐理由:

现在的图和网络可视化的设计大都只针对于一个特定的任务,但是很多可视化的方法和交互可以归纳为一系列的操作,如:节点的位置和大小、显示和隐藏边、显示或者隐藏坐标轴等等。GLO将这一系列的操作放到一个系统中,用户只需要选择所要进行的操作即可得到想要的可视化视图。这种生成可视化视图的思想很有创意。

期刊信息:Visualization and Computer Graphics, IEEE Transactions on Volume: 20, Issue: 12

123